Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado.
| Ano de defesa: | 2025 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Link de acesso: | https://www.teses.usp.br/teses/disponiveis/3/3145/tde-03092025-073923/ |
Resumo: | Este trabalho apresenta a avaliação do fator de melhora do módulo (MIF) em solos granulares não ligados, reforçados com geocélulas, em diferentes condições de subleito, de material de preenchimento e geometria de geocélulas. Para isso, foram analisados os módulos obtidos a partir de provas de carga de placa (PLT), realizados em um ciclo de carga-descargarecarga. Os subleitos consistiram em argila mole e solo arenoso, em três diferentes compacidades relativas. A camada superior, em condição reforçada e não reforçada com geocélulas PEAD de dois tamanhos, consistiu em solo arenoso e material de sub-base granular (GSB) em duas densidades cada. Para estudar o efeito combinado dos fatores de influência, foram usados modelos de redes neurais Perceptron Multicamadas (MLP). Além disso, para avaliar o efeito de uma compactação teórica típica de campo sobre os valores de MIF obtidos em laboratório, foi proposta uma metodologia prática com base nas propriedades índice e revisão bibliográfica para sugestão de parâmetros hiperbólicos, requeridos como entrada na respectiva formulação teórica. Finalmente, os gráficos gerados com os modelos MLP foram refinados considerando o efeito da compactação. Os resultados mostraram que o MIF tende a aumentar com o aumento do módulo do subleito, a diminuir com maiores áreas de abertura de uma geocélula expandida e com o aumento do módulo do material de preenchimento. Os modelos MLP usados para gerar gráficos que preveem os valores de MIF se mostraram uma ótima ferramenta para avaliar a influência conjunta dos parâmetros, apresentando o mesmo comportamento obtido no programa experimental. A metodologia proposta para estimar parâmetros hiperbólicos foi validada com dados de solos disponíveis na literatura e foi obtida uma aproximação razoável dos parâmetros. Essa metodologia permitiu estimar os parâmetros para os solos estudados. Adicionalmente, com base na teoria correspondente, constatou-se que maiores níveis nas tensões de compactação, típico de equipamentos de compactação em campo, aumentam o valor do MIF, sendo maior esse incremento em solos mais densos. |
| id |
USP_7c2601e788b825d621d0780d9407c8cf |
|---|---|
| oai_identifier_str |
oai:teses.usp.br:tde-03092025-073923 |
| network_acronym_str |
USP |
| network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
| repository_id_str |
|
| spelling |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado.Evaluation of influence parameters on the modulus improvement factor of geocell-reinforced granular soils based on laboratory plate load tests and supervised machine learning.Aprendizagem profundaCompaction stressDeep learningGeossintéticosGeosyntheticsInfill materialMaterial de preenchimentoNeural networksRedes neuraisSubgradeEste trabalho apresenta a avaliação do fator de melhora do módulo (MIF) em solos granulares não ligados, reforçados com geocélulas, em diferentes condições de subleito, de material de preenchimento e geometria de geocélulas. Para isso, foram analisados os módulos obtidos a partir de provas de carga de placa (PLT), realizados em um ciclo de carga-descargarecarga. Os subleitos consistiram em argila mole e solo arenoso, em três diferentes compacidades relativas. A camada superior, em condição reforçada e não reforçada com geocélulas PEAD de dois tamanhos, consistiu em solo arenoso e material de sub-base granular (GSB) em duas densidades cada. Para estudar o efeito combinado dos fatores de influência, foram usados modelos de redes neurais Perceptron Multicamadas (MLP). Além disso, para avaliar o efeito de uma compactação teórica típica de campo sobre os valores de MIF obtidos em laboratório, foi proposta uma metodologia prática com base nas propriedades índice e revisão bibliográfica para sugestão de parâmetros hiperbólicos, requeridos como entrada na respectiva formulação teórica. Finalmente, os gráficos gerados com os modelos MLP foram refinados considerando o efeito da compactação. Os resultados mostraram que o MIF tende a aumentar com o aumento do módulo do subleito, a diminuir com maiores áreas de abertura de uma geocélula expandida e com o aumento do módulo do material de preenchimento. Os modelos MLP usados para gerar gráficos que preveem os valores de MIF se mostraram uma ótima ferramenta para avaliar a influência conjunta dos parâmetros, apresentando o mesmo comportamento obtido no programa experimental. A metodologia proposta para estimar parâmetros hiperbólicos foi validada com dados de solos disponíveis na literatura e foi obtida uma aproximação razoável dos parâmetros. Essa metodologia permitiu estimar os parâmetros para os solos estudados. Adicionalmente, com base na teoria correspondente, constatou-se que maiores níveis nas tensões de compactação, típico de equipamentos de compactação em campo, aumentam o valor do MIF, sendo maior esse incremento em solos mais densos.This study presents an evaluation of the Modulus Improvement Factor (MIF) in unbound granular soils reinforced with geocells, under different conditions of subgrade, geocell geometry and infill material. To this end, the moduli obtained from results of plate load tests (PLT), performed in a load-unload-reload cycle, were analyzed. The subgrades consisted of soft clay and sandy soil placed at three relative densities. The upper layer, unreinforced and reinforced with two different-sized HDPE geocells, consisted of sandy soil and granular subbase material (GSB) in two densities each. To assess the combined effect of the influencing factors, multilayer perceptron (MLP) neural network models were used. Furthermore, to evaluate the effect of a typical theoretical field compaction process on the MIF values obtained in the laboratory, a practical methodology was proposed based on index properties and a literature review to suggest hyperbolic parameters required to as inputs in the respective theoretical formulation. Finally, the charts generated with MLP models were refined considering the effect of the compaction process. The results showed that MIF tends to increase with the increase in subgrade modulus, decrease with larger geocell pocket size, and decreases with the increase in the modulus of the infill material. The MLP models used to generate charts predicting MIF values were found to be an effective tool for assessing the combined influence of parameters, presenting the same trends observed in the experimental program. The methodology for estimating hyperbolic parameters was validated with soil data available in the literature, obtaining a reasonable approximation of the parameters. This methodology allowed for a preliminary estimation and a detailed comparison of the parameters for the studied soils. Additionally, based on the corresponding theory, it was found that higher levels of compaction stresses, typical of field compaction equipment, increase the MIF value, with this increment being more significant in denser soils.Biblioteca Digitais de Teses e Dissertações da USPAvesani Neto, José OrlandoZornberg, Jorge GabrielTrujillo Valenzuela, Hector Danilo 2025-06-02info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3145/tde-03092025-073923/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2025-09-03T11:01:02Zoai:teses.usp.br:tde-03092025-073923Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-09-03T11:01:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
| dc.title.none.fl_str_mv |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado. Evaluation of influence parameters on the modulus improvement factor of geocell-reinforced granular soils based on laboratory plate load tests and supervised machine learning. |
| title |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado. |
| spellingShingle |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado. Trujillo Valenzuela, Hector Danilo Aprendizagem profunda Compaction stress Deep learning Geossintéticos Geosynthetics Infill material Material de preenchimento Neural networks Redes neurais Subgrade |
| title_short |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado. |
| title_full |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado. |
| title_fullStr |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado. |
| title_full_unstemmed |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado. |
| title_sort |
Avaliação dos parâmetros de influência no fator de melhora do módulo de solos granulares reforçados com geocélulas com base em provas de carga de placa de laboratório e aprendizado de máquina supervisionado. |
| author |
Trujillo Valenzuela, Hector Danilo |
| author_facet |
Trujillo Valenzuela, Hector Danilo |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Avesani Neto, José Orlando Zornberg, Jorge Gabriel |
| dc.contributor.author.fl_str_mv |
Trujillo Valenzuela, Hector Danilo |
| dc.subject.por.fl_str_mv |
Aprendizagem profunda Compaction stress Deep learning Geossintéticos Geosynthetics Infill material Material de preenchimento Neural networks Redes neurais Subgrade |
| topic |
Aprendizagem profunda Compaction stress Deep learning Geossintéticos Geosynthetics Infill material Material de preenchimento Neural networks Redes neurais Subgrade |
| description |
Este trabalho apresenta a avaliação do fator de melhora do módulo (MIF) em solos granulares não ligados, reforçados com geocélulas, em diferentes condições de subleito, de material de preenchimento e geometria de geocélulas. Para isso, foram analisados os módulos obtidos a partir de provas de carga de placa (PLT), realizados em um ciclo de carga-descargarecarga. Os subleitos consistiram em argila mole e solo arenoso, em três diferentes compacidades relativas. A camada superior, em condição reforçada e não reforçada com geocélulas PEAD de dois tamanhos, consistiu em solo arenoso e material de sub-base granular (GSB) em duas densidades cada. Para estudar o efeito combinado dos fatores de influência, foram usados modelos de redes neurais Perceptron Multicamadas (MLP). Além disso, para avaliar o efeito de uma compactação teórica típica de campo sobre os valores de MIF obtidos em laboratório, foi proposta uma metodologia prática com base nas propriedades índice e revisão bibliográfica para sugestão de parâmetros hiperbólicos, requeridos como entrada na respectiva formulação teórica. Finalmente, os gráficos gerados com os modelos MLP foram refinados considerando o efeito da compactação. Os resultados mostraram que o MIF tende a aumentar com o aumento do módulo do subleito, a diminuir com maiores áreas de abertura de uma geocélula expandida e com o aumento do módulo do material de preenchimento. Os modelos MLP usados para gerar gráficos que preveem os valores de MIF se mostraram uma ótima ferramenta para avaliar a influência conjunta dos parâmetros, apresentando o mesmo comportamento obtido no programa experimental. A metodologia proposta para estimar parâmetros hiperbólicos foi validada com dados de solos disponíveis na literatura e foi obtida uma aproximação razoável dos parâmetros. Essa metodologia permitiu estimar os parâmetros para os solos estudados. Adicionalmente, com base na teoria correspondente, constatou-se que maiores níveis nas tensões de compactação, típico de equipamentos de compactação em campo, aumentam o valor do MIF, sendo maior esse incremento em solos mais densos. |
| publishDate |
2025 |
| dc.date.none.fl_str_mv |
2025-06-02 |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/3/3145/tde-03092025-073923/ |
| url |
https://www.teses.usp.br/teses/disponiveis/3/3145/tde-03092025-073923/ |
| dc.language.iso.fl_str_mv |
por |
| language |
por |
| dc.relation.none.fl_str_mv |
|
| dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.coverage.none.fl_str_mv |
|
| dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
| dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
| instname_str |
Universidade de São Paulo (USP) |
| instacron_str |
USP |
| institution |
USP |
| reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
| collection |
Biblioteca Digital de Teses e Dissertações da USP |
| repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
| repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
| _version_ |
1848370479614656512 |